Endüstriyel makinelerde kullanılan elektrik motor sürücüleri, çoğu zaman devreye alınırken uzman teknisyenler tarafından elle ayarlanır. Bu ayar süreci; motorun hızlı tepki vermesi, kararlı çalışması, fazla salınım yapmaması ve istenen akımı doğru takip etmesi için önemlidir.

David Petrovic, Gian Antonio Susto ve Angelo Cenedese tarafından hazırlanan bu çalışma, endüstriyel bir motor sürücüsünün akım kontrol döngüsünü otomatik ayarlamak için Bayesian Optimization adı verilen veri odaklı bir optimizasyon yöntemini kullanıyor. Sistem, motor sürücüsünü kara kutu gibi ele alıyor; yani motorun ayrıntılı matematiksel modelini istemiyor. Her denemede farklı kontrol parametreleri gerçek donanıma gönderiliyor, motorun verdiği tepki ölçülüyor ve algoritma bir sonraki denemede daha iyi ayarları bulmaya çalışıyor.

Araştırmanın dikkat çekici tarafı şu: Yöntem yalnızca simülasyonda değil, gerçek endüstriyel motor sürücüsü üzerinde denenmiş. Sonuçlar, otomatik yöntemin birkaç dakika içinde uzman ayarına yakın, bazı ölçütlerde ise daha iyi sonuçlar üretebildiğini gösteriyor. Ancak çalışma yalnızca yüksüz koşullarda ve tek bir motor-sürücü düzeneğinde test edildiği için, gerçek fabrika koşullarında daha geniş doğrulama gerekiyor.

Problem Ne?

Endüstriyel elektrik motorları, fabrikalarda konveyörlerden robotik sistemlere, paketleme makinelerinden CNC tezgâhlarına kadar birçok yerde kullanılır. Bu motorların istenen şekilde çalışması için sürücü içindeki kontrol döngülerinin doğru ayarlanması gerekir.

Bu kontrol döngülerinde genellikle PI veya PID kontrolörler kullanılır. Basitçe söylersek bu kontrolörler, motorun gerçek davranışını hedeflenen davranışa yaklaştırmaya çalışır. Örneğin motor sürücüsü belirli bir akım değeri istiyorsa, kontrolör gerçek akımı buna yaklaştırır.

Sorun şu: Bu ayar her zaman kolay değildir. Parametreler düşük seçilirse sistem yavaş tepki verebilir. Çok agresif seçilirse aşım, titreşim veya salınım oluşabilir. Endüstride bu ayarlar çoğu zaman deneyimli teknisyenlerin tecrübesine dayanır. Bu da zaman alır, kişiye bağımlıdır ve farklı makinelerde standartlaştırılması zor olabilir.

Araştırmacıların hedefi, bu elle ayar sürecini otomatikleştirmeye bir adım daha yaklaşmak.

Yöntem Ne Öneriyor?

Çalışma, motor sürücüsünün akım kontrol döngüsündeki iki temel PI parametresini ayarlamaya odaklanıyor:

• Kp: Oransal kazanç. Hata oluştuğunda sistemin ne kadar güçlü tepki vereceğini belirler.
• Ki: İntegral kazanç. Zaman içinde biriken hatayı azaltmaya çalışır.

Araştırmacılar, bu iki parametreyi doğrudan gerçek donanım üzerinde deniyor. Yöntem şu mantıkla çalışıyor:

1. Algoritma bir Kp ve Ki değeri seçiyor.
2. Bu değerler motor sürücüsüne gönderiliyor.
3. Sürücüye önceden belirlenmiş bir akım referansı uygulanıyor.
4. Sürücünün gerçek akım cevabı ölçülüyor.
5. Ölçülen cevaba göre hata, aşım ve salınım gibi performans ölçütleri hesaplanıyor.
6. Algoritma önceki denemelerden öğrenerek yeni bir parametre çifti öneriyor.

Burada kullanılan yaklaşım Bayesian Optimization yani Bayesyen Optimizasyon. Bu yöntem, özellikle her denemenin pahalı veya zaman alıcı olduğu durumlarda kullanılır. Çünkü her olasılığı tek tek denemek yerine, geçmiş denemelerden öğrendiği bilgiyle daha umut verici ayarları seçmeye çalışır.

Makalenin önemli noktalarından biri, sistemin motorun ayrıntılı matematiksel modelini istememesi. Araştırmacılar sürücüyü bir “kara kutu” gibi ele alıyor. Yani sadece “bu ayarı denedik, sistem böyle tepki verdi” bilgisiyle ilerliyor.

Çalışmada özellikle TPE tabanlı Bayesian Optimization öne çıkarılıyor. TPE, Tree-structured Parzen Estimator ifadesinin kısaltmasıdır. Bu yöntem, sürekli ve pürüzsüz bir matematiksel yüzey varsaymak yerine, iyi sonuç veren parametre bölgelerini istatistiksel olarak arar. Bu da gürültülü ölçümler, sınırlı deneme sayısı ve tam sayı şeklinde seçilen parametreler için avantaj sağlayabilir.

Formüller Ne Anlatıyor?

Makaledeki formüller ilk bakışta karmaşık görünebilir; ama ana fikir oldukça anlaşılır: Algoritma tek bir başarı ölçüsüne bakmıyor. Dört farklı ölçütü aynı anda iyileştirmeye çalışıyor.

Araştırmacılar performansı şu dört ölçütle değerlendiriyor:

1. IAE – Toplam mutlak hata
IAE, hedef akım ile gerçek akım arasındaki farkın genel büyüklüğünü ölçer. Değer ne kadar düşükse, sistem hedefi o kadar iyi takip ediyor demektir.

2. ITAE – Zaman ağırlıklı hata
ITAE, özellikle geç sönümlenen hataları daha fazla cezalandırır. Yani sistem başta hata yapsa bile hızlı toparlıyorsa daha iyi kabul edilir; hata uzun süre devam ederse puanı kötüleşir.

3. OS – Aşım
Aşım, sistemin hedef değeri ne kadar geçtiğini gösterir. Örneğin hedef 1 amper ise, sistem kısa süreliğine bunun üstüne çıkabilir. Bu aşım bazı uygulamalarda istenmeyen bir davranıştır.

4. OSC – Salınım / titreşim ölçüsü
Bu ölçüt, sistem hedefe yaklaştıktan sonra hâlâ dalgalanma yapıyor mu sorusuna bakar. Endüstriyel sürücülerde gereksiz salınım; ısınma, verimsizlik, mekanik stres veya kalite sorunları oluşturabilir.

Makalenin temel formül mantığı şöyle özetlenebilir:

“En iyi ayar” tek bir sayı değildir. Bir ayar hızlı olabilir ama fazla aşım yapabilir. Başka bir ayar daha yumuşak olabilir ama hedefe daha yavaş ulaşabilir. Bu yüzden araştırmacılar Pareto-optimal denilen bir yaklaşım kullanıyor.

Pareto-optimal çözüm şu anlama gelir: Bir ayarı daha iyi yapmak için başka bir ölçütten fedakârlık etmek gerekiyorsa, o ayar makul bir denge noktasıdır. Yani algoritma tek bir “mutlak kazanan” aramak yerine, farklı kullanım önceliklerine uygun iyi ayar seçenekleri bulmaya çalışır.

Grafik / Tablo / Şema Varsa Ana Mesajı Ne?

Makaledeki görseller ve tablo, okuyucuya şu ana mesajları veriyor:

Deney düzeneği şeması / görseli:
Araştırmacılar yöntemi yalnızca bilgisayar simülasyonunda bırakmamış. Gerçek bir endüstriyel motor sürücüsü, brushless AC motor ve harici bilgisayar kullanılmış. Bilgisayar, sürücüyle Modbus üzerinden haberleşmiş. Bu, yöntemin pratik endüstriyel donanıma bağlanabildiğini göstermesi açısından önemli.

Hiperhacim grafiği:
Makaledeki performans grafiği, farklı optimizasyon yöntemlerinin denemeler ilerledikçe Pareto çözüm kalitesini nasıl artırdığını gösteriyor. İlk 10 deneme rastgele yapıldığı için yöntemler birbirine yakın başlıyor. Daha sonra TPE tabanlı yöntem daha hızlı iyileşme gösteriyor. Bu, sınırlı deneme bütçesinde daha hızlı iyi ayar bulma potansiyeline işaret ediyor.

Kp ve Ki dağılım grafikleri:
Makaledeki parametre uzayı grafikleri, farklı Kp ve Ki kombinasyonlarının farklı performans sonuçları verdiğini gösteriyor. Bazı bölgeler düşük hata üretirken bazıları daha fazla aşım veya salınım oluşturuyor. Ana mesaj şu: Kontrol parametreleri birbirinden bağımsız değil; Kp ve Ki birlikte seçildiğinde sistem davranışı değişiyor.

Karşılaştırma tablosu:
Tablo, Random Search, GP tabanlı Bayesian Optimization ve TPE tabanlı Bayesian Optimization yöntemlerini farklı deneme sayılarında karşılaştırıyor. TPE yöntemi özellikle daha geniş Pareto çözüm kümesi bulması ve erken yakınsama davranışıyla öne çıkıyor. GP tabanlı yöntem bazı son metriklerde çok güçlü sonuç verebiliyor; ancak TPE, endüstriyel pratik açısından hız, düşük hesaplama yükü ve çözüm çeşitliliği bakımından daha dengeli görünüyor.

Tepki eğrileri:
Makaledeki akım tepki grafikleri, uzman ayarı ile otomatik seçilen ayarın davranışını karşılaştırıyor. Otomatik yöntem bazı hata ve salınım ölçütlerinde uzman ayarına göre daha iyi sonuç verirken, uzman ayarı daha düşük aşım gösterebiliyor. Bu da çalışmanın dürüst taraflarından biri: Yöntem her metrikte mutlak üstün değil; farklı performans hedefleri arasında denge kuruyor.

Deneyler Nasıl Yapılmış?

Deneyler gerçek bir endüstriyel motor sürücü sistemi üzerinde yapılmış. Kullanılan motor, 230 V değerinde, 6 kutuplu, 1.8 A anma akımına ve 3000 rpm anma hızına sahip bir brushless AC motor.

Çalışma, motor sürücüsünün en iç kontrol döngüsü olan akım döngüsüne odaklanıyor. Hız ve pozisyon gibi dış kontrol döngüleri değiştirilmemiş. Böylece deney, özellikle elektriksel akım kontrol davranışını incelemeye yoğunlaşmış.

Deneylerde motor yüksüz çalıştırılmış. Ayrıca q-ekseni akım referansı sıfır tutulmuş. Bu, tork üretimini önleyerek daha güvenli ve tekrarlanabilir bir test ortamı sağlamış.

Sisteme dikdörtgen darbe şeklinde bir akım referansı uygulanmış. Tuning aşamasında yaklaşık 1.53 A seviyesinde, 40 ms süren bir pozitif akım adımı kullanılmış. Ayrıca seçilen kontrolör, tuning sırasında kullanılmayan farklı bir doğrulama sinyaliyle de denenmiş: yaklaşık -2.55 A genliğinde ve 60 ms süren negatif akım adımı.

Parametre aralığı Kp ve Ki için 500 ile 10000 arasında belirlenmiş. Parametreler tam sayı olarak ele alınmış. Bu önemli; çünkü gerçek endüstriyel donanımlar her zaman sonsuz hassasiyette parametre kabul etmez.

Denemeler 15, 20, 30, 50 ve 100 deneme bütçeleriyle yapılmış. Her bütçe için 5 bağımsız tekrar kullanılmış. Böylece sonuçların yalnızca tek bir şansa bağlı olup olmadığı da incelenmiş.

Karşılaştırılan yöntemler şunlar:

• Uzman teknisyen ayarı
• Random Search yani rastgele arama
• GP tabanlı Bayesian Optimization
• TPE tabanlı Bayesian Optimization

Sonuçlar Ne Gösteriyor?

Sonuçlar, otomatik optimizasyonun gerçek donanım üzerinde uzman ayarına yaklaşabildiğini ve bazı ölçütlerde onu geçebildiğini gösteriyor.

Örneğin 30 denemelik TPE tabanlı Bayesian Optimization sonucunda, uzman ayarına göre IAE ölçütünde yaklaşık %30, ITAE ölçütünde yaklaşık %27 iyileşme raporlanıyor. Bu, sistemin hedef akımı daha iyi ve daha hızlı takip edebildiği anlamına geliyor.

TPE tabanlı yöntem ayrıca salınımı azaltma tarafında da güçlü görünüyor. Ancak uzman ayarı daha düşük aşım üretiyor. Bu önemli bir ayrım: Otomatik yöntem her şeyi aynı anda en iyi yapmıyor; farklı hedefler arasında bir denge kuruyor.

100 denemeye kadar çıkıldığında TPE yöntemi daha geniş bir Pareto çözüm kümesi buluyor. Bu, tek bir ayar yerine farklı önceliklere göre seçilebilecek daha fazla iyi seçenek anlamına geliyor. Örneğin bazı uygulamalarda hızlı tepki öncelikli olabilirken, bazı uygulamalarda yumuşak ve az salınımlı davranış daha önemli olabilir.

Süre tarafında da pratik bir sonuç var. 15 deneme yaklaşık 1.5 dakika, 100 deneme yaklaşık 12 dakika sürmüş. GP tabanlı yöntem 100 denemede yaklaşık 18 dakikaya kadar çıkmış. Çünkü GP tabanlı yaklaşımda model hesaplama yükü daha fazla. TPE ise bu çalışmadaki gerçek donanım koşullarında daha hafif ve hızlı bir seçenek olarak öne çıkıyor.

Bu Neden Önemli?

Endüstriyel otomasyonda devreye alma süreci zaman alıcıdır. Her makine, her motor ve her yük koşulu aynı davranmaz. Bu nedenle kontrolör ayarı çoğu zaman deneyim gerektirir.

Bu çalışma, gelecekte bazı ayar süreçlerinin daha otomatik, daha ölçülebilir ve daha standart hale gelebileceğini gösteriyor. Özellikle şu açılardan önemli:

• Uzman teknisyen bağımlılığını azaltabilir.
• Devreye alma süresini kısaltabilir.
• Farklı performans öncelikleri için birden fazla iyi ayar seçeneği sunabilir.
• Mevcut sürücü firmware’ini değiştirmeden çalışabilir.
• Gerçek donanımdan ölçüm alarak ilerlediği için simülasyona tamamen bağımlı değildir.

Bu yaklaşım, yalnızca motor sürücüleri için değil, farklı endüstriyel kontrol sistemlerinde de benzer otomatik ayar fikirlerine kapı aralayabilir.

Dikkat Edilmesi Gereken Noktalar

Bu çalışma umut verici olsa da bazı sınırlamalar var.

İlk olarak deneyler yalnızca yüksüz koşullarda yapılmış. Gerçek endüstriyel sistemlerde motorlar çoğu zaman yük altında çalışır. Yük değişimleri, mekanik sürtünme, üretim şartları ve güvenlik sınırları sonuçları etkileyebilir.

İkinci olarak çalışma tek bir motor-sürücü düzeneği üzerinde yapılmış. Farklı üreticilerin sürücüleri, farklı motor tipleri ve farklı güç sınıfları için ayrıca test gerekir.

Üçüncü olarak yöntem gerçek donanım üzerinde deneme yaptığı için güvenlik sınırları çok önemlidir. Yanlış parametreler bazı sistemlerde aşırı akım, titreşim veya mekanik risk oluşturabilir. Bu nedenle endüstriyel uygulamalarda koruma limitleri, güvenli test prosedürleri ve mühendis gözetimi gerekir.

Dördüncü olarak makale bir arXiv preprint olarak sunulmuş görünüyor. Bu nedenle bulgular değerli olsa da, hakemli yayın ve daha geniş deneysel doğrulama süreci ayrıca önemlidir.

Sonuç

Bu çalışma, endüstriyel motor sürücülerinin akım kontrol döngüsünü otomatik ayarlamak için Bayesyen optimizasyonun pratik bir seçenek olabileceğini gösteriyor. Araştırmacılar, motorun ayrıntılı matematiksel modelini kullanmadan, gerçek donanım üzerinde kapalı çevrim denemelerle iyi kontrol parametreleri bulmaya çalışıyor.

Sonuçlar, TPE tabanlı Bayesian Optimization yönteminin sınırlı deneme sayısı, gürültülü ölçüm ve tam sayı parametreleri gibi endüstriyel gerçeklere iyi uyum sağladığını gösteriyor. Yöntem uzman ayarını her metrikte geçmiyor; ancak bazı hata ve salınım ölçütlerinde daha iyi sonuç verirken, daha geniş bir iyi ayar seçenekleri kümesi sunuyor.

Verianla açısından bu makalenin ana mesajı şu: Endüstriyel otomasyonda “elle ayar” geleneği tamamen ortadan kalkmasa bile, veri odaklı optimizasyon yöntemleri devreye alma süreçlerini daha hızlı, ölçülebilir ve tekrarlanabilir hale getirebilir. Ancak gerçek fabrika koşulları için daha geniş testler ve güvenlik doğrulamaları şarttır.

Kaynak ve Yöntem Notu

Bu içerik, David Petrovic, Gian Antonio Susto ve Angelo Cenedese tarafından hazırlanan “Towards Autonomous Commissioning of Industrial Drives via Multi-Objective Bayesian Optimization” adlı akademik çalışmadan yararlanılarak Verianla editoryal formatında özgün olarak hazırlanmıştır. Çalışma arXiv üzerinde 27 Mayıs 2026 tarihli preprint olarak görünmektedir.

Bu yazı birebir çeviri değildir; makaledeki yöntem, deney düzeneği, formüller, grafikler, tablo ve sonuçlar sadeleştirilerek Türkçe okuyucu için yeniden anlatılmıştır. İçerik bilgilendirme ve eğitim amacı taşır. Endüstriyel motor, sürücü, kontrol sistemi veya üretim hattı ayarı için profesyonel mühendislik doğrulaması, güvenlik prosedürü ve üretici dokümantasyonu yerine geçmez.